COVID-19、人工智能和多方法建模的好处

这个想法是整合不同的建模方法,以克服单个研究方法的局限性,并从每一种方法中获得最多的公共卫生见解。
通过 比尔Siwicki
46点

劳伦·尼尔博士是博思艾伦医疗人工智能业务的负责人

照片:博思艾伦

劳伦·尼尔博士他是研究和咨询公司博思艾伦健康人工智能业务的负责人,支持在人工智能中采用多方法建模COVID-19疾病动态。

她认为,多方法方法可以更好地了解COVID-19和其他传染病——它们是如何传播和影响社区的,目的是更好地为未来的公共卫生威胁做好准备。

她还认为,“虚拟实验室”可以用于调查广泛的假设场景,并很容易适应未来的高后果公共卫生威胁。

欧宝娱乐是黑平台我们与尼尔坐下来讨论了这些方法,以及人工智能如何帮助应对COVID-19大流行。

问:在人工智能和COVID-19方面,多方法建模COVID-19疾病动态的方法如何比其他方法更好?

一个。长期以来,我们一直使用模拟建模来进一步加深我们对复杂传染病及其发展、传播动力学和潜在治疗方法的理解。例子包括人畜共患疾病的模型,如寨卡病毒、埃博拉病毒、西尼罗河病毒、SARS、中东呼吸综合征和最近的COVID-19。

两种建模技术,系统动力学(SD)和基于agent的建模(ABM),近年来被频繁地用于研究传染病的复杂性,尽管它们有局限性。例如,SD是在一个高度抽象的层次上进行操作的,它将人类人群划分为不同的疾病阶段,如易感(S)、感染(I)和康复(R)等,同时假设每个人在每个隔间内的行为都是相同的。

ABMs倾向于通过跟踪种群中的每个个体成员并模拟种群中个体交互和运动的颗粒配置来解决这一限制。然而,这种高水平的模型保真度伴随着一些权衡,包括大量人口的密集计算成本,以及由于大量模型假设而增加的模型不确定性。

我们认为,在模型创建、验证和验证过程中,有效地选择建模方法是一个最小化权衡的问题。多方法建模的思想是将不同的建模方法结合起来,克服单个建模方法的局限性,使每一种建模方法发挥最大的作用。

Booz Allen的COVID-19多方法模型结合了SD和ABM的优势,允许模拟空间明确的情景,代表不同地方社区未来的疾病传播状态,并使用“假设”分析在广泛的情景中测试风险管理政策。

问:什么是虚拟实验室?它如何用于调查公共卫生威胁?

一个。历史上,随机对照试验、队列研究和病例对照研究是调查公共卫生威胁流行病学和潜在干预方案以降低风险的常用方法。然而,进行大型试验和研究以实现通用性和足够的统计能力是相当困难、耗时和昂贵的。

因此,需要一种可比较、可靠和易于使用的规划工具来评估干预措施及其影响。虚拟实验室是一种特殊类型的模拟模型,可用于表示社区内COVID-19传播的动态,并促进“假设”模拟,明确表示支持与社区内疾病发病相关的风险因素的数据和假设的不确定性。

虚拟实验室是一种无风险的环境,可以在其中系统地测试针对特定公共卫生威胁的干预策略(例如社交距离、部分封锁和疫苗接种等)的想法,而不需要在现实世界环境中进行实验所需的时间、成本和风险。

虚拟实验室可以有许多用途,并为创新提供许多可能性,但它们提供实时洞察、预测和为实时操作提供决策支持的能力是最容易获得的。有了这些能力,社区、州和联邦的公共卫生决策者可以在保护生命的同时更加有效、提高效率并节省成本。

问:什么是多标准决策分析(MCDA)框架,它如何用于人工智能和COVID-19?

一个。关于实施公共卫生干预措施的决策有时是启发式的,可以认为,基于单一标准的决策忽视了有关其他相关结果的重要信息。在应对COVID-19大流行的过程中,一些令人信服的叙述似乎在实施哪些风险干预和管理措施的决策过程中发挥了重要作用。

在大流行期间,公共当局不得不根据不确定的定量证据和专家科学证据(例如,可能的未来情景),就卫生系统能力评估(例如,并预计公众将采取或多或少的限制性措施,如保持社交距离和封锁措施,以及当地社区和企业重新开放。

当利用人工智能和机器学习技术所利用的实时数据以及基于模拟建模的预测疾病动态时,多准则决策分析(MCDA)可以帮助决策者基于多个、有时以透明和系统的方式冲突的标准。

例如,Booz Allen使用MCDA框架,考虑到当地的决策标准,如新增每日感染、新增每日死亡人数下降、新增住院人数和ICU病床使用率,系统地分析从我们的多方法模型获得的模拟预测,并生成单个州的风险图。

公共卫生决策者可以利用这些风险图,根据当地社区感知到的COVID-19风险水平,针对性地采取可用的监测和感染控制措施。

问:所有这些如何适用于疫情前线的医疗保健机构高管和护理人员的工作?

一个。2019冠状病毒病大流行自爆发以来给我们带来了前所未有的、不断演变的挑战。为了应对这些挑战,我们已经做出了相当大的努力,使用了一套数据驱动的工具,包括人工智能和仿真建模。

虽然早期的工作重点是在全球、国家和州一级对COVID-19传播进行流行病学建模,但大流行带来了许多更本地化的挑战,我们的数据驱动方法也可以应对这些挑战。

例如,COVID-19危机的迅速爆发表明,由于持续变化和不可预测的环境,医疗服务提供商组织的需求和风险增加。仿真建模和虚拟实验室可用于在当前大流行和未来大规模公共卫生威胁期间主动管理医疗保健组织的风险。

我们可以通过优化医院工作流程结构、开发新的流程、管理人员配备水平、采购设备、病床管理和加强患者医疗管理的一致性等多种方案来加强我们的准备工作。

在这些方面,虚拟实验室可以作为一个学习工具(例如,更好的了解医院以及前线医疗服务提供者在当地社区COVID-19爆发)的函数和一个评估工具(例如,测试复杂的场景像病人最佳吞吐量为紧急部门)。

虚拟实验室可以有效地支持医疗保健提供商组织层面的管理层决策,以创建能力和管理稀缺资源,有效地护理危重患者,同时测试各种情景,以评估卫生系统在大流行期间应对预期和意外需求的能力。

Twitter:@SiwickiHealthIT
电子邮件作者:bsiwicki@himss.org
欧宝娱乐是黑平台医疗保健IT新闻是HIMSS媒体出版物。

主题:
人工智能
想知道更多这样的故事吗?从医疗保健IT新闻获取每日新闻更新。欧宝娱乐是黑平台
您的订阅已保存。
发生了一些错误。请再试一次。
Baidu